WeVisDoc: dalla copertura alla capacità per un parsing dei documenti end-to-end robusto

Abstract degli autori

Il parsing dei documenti converte le immagini dei documenti in contenuti strutturati e deve funzionare in modo affidabile con impaginazioni e condizioni di acquisizione diverse. Tuttavia, i corpora di addestramento sono sbilanciati verso i tipi di documenti più comuni e le pagine digitali prive di imperfezioni; ampliare la sola copertura non indica come affrontare le debolezze che restano in un parser. Presentiamo WeVisDoc, un framework in due fasi incentrato sui dati per un parsing dei documenti end-to-end robusto. La fase I amplia la copertura semantica, strutturale e visiva attraverso dati eterogenei e la generazione sintetica di degradazioni che preservano la struttura. La fase II usa dati di verifica tenuti da parte per misurare gli errori residui del parser della fase I all’interno di cluster visivo-strutturali fissi. Queste analisi guidano la costruzione mirata dei dati e la riallocazione del budget di token target. WeVisDoc-4B ottiene un punteggio Overall di 95,38 su OmniDocBench v1.6 e un punteggio Overall medio di 75,54 nelle tre prove di PureDocBench, classificandosi al primo posto tra i parser end-to-end messi a confronto in tutte e quattro le prove. Rispetto alla fase I, la fase II migliora i punteggi Overall dei modelli 2B e 4B su entrambi i benchmark, con progressi maggiori nelle prove di PureDocBench con degradazioni, tra cui un aumento di 4,03 punti per il modello 4B nella prova Real Degraded.